银行票据自动识别系统研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 第1章 引论 | 第7-16页 |
| 1．1 本文的研究目的与贡献 | 第7-9页 |
| 1．2 本文的结构安排 | 第9-10页 |
| 1．3 数字图像的表示方法 | 第10-13页 |
| 1．4 BMP文件结构 | 第13-14页 |
| 1．5 位图数据 | 第14-15页 |
| 1．6 CDib类库 | 第15-16页 |
| 第2章 数字图像预处理技术及应用 | 第16-27页 |
| 2．1 应用阀值过滤法滤去图像背景中的水印图案 | 第16-17页 |
| 2．2 图像分割处理 | 第17-21页 |
| 2．2．1 领域、连通、连通成分、标记 | 第17-18页 |
| 2．2．2 对于字符的连通性分析 | 第18-20页 |
| 2．2．3 可更改阀值的连通区域分割算法 | 第20-21页 |
| 2．3 图像中的直线识别 | 第21-25页 |
| 2．3．1 Hough变换理论描述 | 第22-23页 |
| 2．3．2 Hough变换的性质 | 第23页 |
| 2．3．3 Hough变换的实现 | 第23页 |
| 2．3．4 Hough变换的特点 | 第23-24页 |
| 2．3．5 Hough变换提取票据上的直线 | 第24-25页 |
| 2．3．6 用Hough变换提取图像中的平行线 | 第25页 |
| 2．4 文字骨骼化 | 第25-27页 |
| 第3章 模式识别与分类方法 | 第27-46页 |
| 3．1 图像识别与分类 | 第27-32页 |
| 3．1．1 文字识别的两种类型 | 第27-28页 |
| 3．1．2 现有的文献中关于模式识别的研究 | 第28页 |
| 3．1．3 模式识别相关理论 | 第28-30页 |
| 3．1．4 对于文字图像的模式识别 | 第30-32页 |
| 1，图像预处理 | 第31页 |
| 2，图像分割 | 第31页 |
| 3，图像特征抽取 | 第31-32页 |
| 4，图像分类 | 第32页 |
| 3．2 用于银行票据的模板匹配识别方法 | 第32-43页 |
| 3．2．1 特征类设计 | 第32-36页 |
| 3．2．2 待测样品特征提取 | 第36-37页 |
| 3．2．3 训练集特征库的建立 | 第37-38页 |
| 3．2．4 最小距离判别法 | 第38-40页 |
| 3．2．5 算法运行结果说明 | 第40-43页 |
| 3．3 其他识别方法 | 第43-46页 |
| 3．2．1 结构模式识别方法 | 第43-44页 |
| 3．2．2 统计模式识别方法 | 第44-45页 |
| 3．2．3 统计与结构相结合的识别方法 | 第45-46页 |
| 第4章 用于银行票据内容识别的神经网络分类器 | 第46-72页 |
| 4．1 人工神经网络的发展 | 第46-47页 |
| 4．2 人工神经网络的优势 | 第47-49页 |
| 4．3 人工神经元模型及其数学意义 | 第49-51页 |
| 4．4 人工神经网络的学习算法 | 第51-54页 |
| 4．4．1 前馈神经网络 | 第52页 |
| 4．4．2 感知器 | 第52-53页 |
| 4．4．3 三层前馈网络 | 第53-54页 |
| 4．5 用于识别手写数字的BP网络 | 第54-69页 |
| 4．5．1 BP网络结构 | 第54-55页 |
| 4．5．2 适合于文字图像识别的学习训练过程 | 第55-57页 |
| 4．5．3 BP网络学习算法原理 | 第57-60页 |
| 4．5．4 循环记忆训练 | 第60页 |
| 4．5．5 学习结果的判别 | 第60-61页 |
| 4．5．6 改进的BP网络设计 | 第61-63页 |
| 4．5．7 对于阿拉伯数字的特征抽取究 | 第63-68页 |
| 4．5．8 网络性能实验检测 | 第68-69页 |
| 4．6 识别功能扩展的BP神经网络 | 第69-72页 |
| 第5章 总结和展望 | 第72-74页 |
| 5．1 总结 | 第72页 |
| 5．2 未来展望 | 第72-74页 |
| 参考资料 | 第74-76页 |
| 致谢 | 第76页 |
